从另一方面讲，工业互联网、智能制造，是信息技术对工业的赋能，在业务、、工业需求的牵引下，利用了新一代信息技术（物联网、边缘计算和云计算、大数据、人工智能、微服务、区块链等），将数据作为过程要素、信息载体，通过物联网和大数据更多维度感知和描述工厂对象，通过通信技术和高性能计算更快速传递和处理工业信息，通过大数据和人工智能更深入掌握事物的内部规律和发展趋势，进而获得了通过人工或传统技术无法实现的能力，更实时地掌握设备状态、生产状况、客户和供应链情况，更精准地掌握产品缺陷、设备故障原因、物流信息、顾客需求意见等，更加快速智能地反馈应对生产工艺问题、顾客抱怨和期望、供应链紧张、产品滞销、生产场所安全风险隐患等，最终提升整个企业的竞争力。

这里，数据作为生产要素，规模越来越大，据国际数据公司（IDC）统计，近年来全球大数据存储量的增速，每年都保持在40%，2019年全球大数据存储量达41ZB（1ZB=1012GB），中国的数据产生量约占全球数据产生量的23%。数据价值越来越突出，已经是企事业单位和政府部门的重要资产，成为业界和社会共识，并得到我国政府重视。2020年9月，国务院国资委正式印发《关于加快推进国有企业数字化转型工作的通知》，加快集团数据治理体系建设，明确数据治理归口管理部门，加强数据标准化、元数据和主数据管理工作，定期评估数据治理能力成熟度。加强生产现场、服务过程等数据动态采集，建立覆盖全业务链条的数据采集、传输和汇聚体系。加快大数据平台建设，创新数据融合分析与共享交换机制。强化业务场景数据建模，深入挖掘数据价值，提升数据洞察能力。2021年6月10日，第十三届全国人民代表大会常务委员会第二十九次会议通过《中华人民共和国数据安全法》，为规范数据处理活动，保障数据安全，促进数据开发利用，保护个人、组织的合法权益等提供了坚实可靠的法律依据。2022年6月，中央全面深化改革委员会召开第二十六次会议，审议通过了《关于构建数据基础制度更好发挥数据要素作用的意见》，意见指出：数据作为新型生产要素，是数字化、网络化、智能化的基础。

数据作为一种新型资产，具有许多传统资产所不具备的特点：无形，无消耗，可自动生成，可复制，时效性，动态性，规模价值大，可多目的、多次使用，涉及权益复杂，等等。在企业日常生产经营过程中会动态产生更多数据，越来越多的数据量和愈加复杂的数据关系，带来数据所有权、数据量梳理、防止数据滥用、管理冗余数据、定义数据标准等带来挑战。同时，数据价值难以评估，价值是用户相关的，且有时效性，某些类型数据价值可能随规模积累、时间推移而变化。如果任由数据规模不断发展而不加管理的话，会带来诸如以下风险：

数据随意存储、复制，数据定义不一致，导致数据混乱，进而带来业务混乱，最常见的比如物料库存计数重复、物品重名等；

数据时效性不加管理，导致无效的历史数据和最新有效数据混到一起，最后带来无效、甚至错误的计算结果，可能会造成对设备运行的监控参数错误、经营效益的分析错误等；

数据在传输、共享的过程中遗失、被非法获得，可能带来企业工作无法正常开展、企业商业秘密的泄露，比如企业的核心原料配方、客户信息等；

数据在使用时缺少科学正确的算法、统一的计算口轻，或者数据样本的选择范围不正确，导致产品检验试验的结果错误，给企业带来损失。

其次，数据资产的类型也比较复杂，需要从不同的维度来划分：

从结构方面讲，分为结构化数据、半结构化数据和非结构化数据，结构化数据即常见的来自关系数据库（行和列）、表格的结构化数据，半结构化数据包括CSV，日志，XML，JSON等，非结构化数据包括电子邮件，文档，PDF等，以及二进制流式数据（图像，音频，视频）等，数据的传输、处理、应用要求都不同，需要采取不同的管理技术手段；

从业务进行分类是比较常见的，对于典型的制造业来讲，包括围绕产品的研发、供应链、生产、质检、设备、能源等业务要素的各类数据，比如生产环节包括生产计划、派工管理、报工管理、生产订单、设备管理、生产下料的各类数据，种类繁多，数据的流向、路径复杂；

从数据应用的方式可分为主数据、交易数据、作业数据、视频数据、日志数据等，这些数据动静态特点不同，在传输、存储、标准化方面要求不同；

从数据采集的来源来讲，又可分为现场设备采集数据、人机交互数据、系统接入数据、外部接入数据等，对数据权属、责任、安全、实时性等要求各不相同。

从以上两个方面可以看出，只有高质量的数据才能保障企业的数字化、智能化业务正常开展运行，需要基于资产管理方式，对数据进行有序管理，以保障数据的正确、有效、完整，为企业信息化打牢基础。尤其是制造业，产品类型、生产经营环节多，涉及人、机、料、法、环、测多因素，比金融业、能源、服务等行业的数据管理更复杂。

基于工业互联网的制造业数据管理，有两大特点，一是数据通过互联网收集、通过平台汇聚，不再是过去各个单独的信息化系统，基于系统自带的数据库进行管理，而是有了数据中台、数据湖、数据仓库、数据市场这些资源集散的功能了；二是数据更加融合共享、发挥更多价值，需要大一体的标准化、安全化等管理手段了。

目前，通过IT界、工业界的学者、专家的不断总结积累，国际上已经形成较为成熟的数据管理方法论，包括国际数据管理协会发布的《DAMA-DMBOK数据管理知识体系指南》、国际数据治理研究所的《DGI数据治理框架》、我国的《DCMM数据管理能力成熟度模型》等，从企业的数据管理规划、组织机构、职能分配、数据资产的需求与整合、数据标准化、数据质量控制、数据的价值实现、数据安全等多方面，提供了系统化、体系化的指导方法，以保证通过数据管理工作，产生预期的管理效果。

对于制造业，在数据管理工作推进时，可以从以下方面着重考虑，以应对可能存在的困难和风险：

根据企业规模设立数据管理领导机构和专职管理人员，发挥领导者在顶层目标方向规划和组织资源的作用，因为数据会涉及到不同部门，需要跨部门的合作；

数据资产的盘点梳理工作，对各环节、各部门、各业务系统存在的数据进行清查梳理，掌握数据的分布、类型、功能、规模、存在的问题等，是制定管理方法、选择管理和技术手段的前提，考虑到数据平台的集散功能，可以先从数据平台盘点开始，掌握数据分布的大概情况；

数据管理制度制定，结合企业组织机构、业务数据分布、发展方向等特点，制定适配的规则制度，确立数据的权属、责任、管理职责、具体流程要求等；

数据标准化，是数据管理的基座，通过对业务术语、共享数据标准、数据模型、编码、校验规则、应用算法、分类分级、安全防护的统一规范要求，来实现数据互通共享、安全应用和价值发挥。

对于数据管理的成效的检验评估，可以选择一些诸如DCMM、DSMM等评估模型，对一些技术和管理措施进行定性或定量的评估，有条件的还可以进一步探索对数据的价值、作用量化评估。

数据得到有效管理，将会更加统一、规范、便于流通共享，数据唯一、有序、关系清晰、便于分类分级管理和应用，最终提高产品设计、生产制造、检验试验、交付服务的效率和质量。

*根据本次活动参与嘉宾：国家工信安全发展研究中心物联网实验室主任李云志专访整理